为什么 ChatGPT 会遗忘您的术语表
每个会话开始时都没有您的术语库
您的术语系统与聊天窗口之间没有通道。每次对话开始时，模型只懂得通用语言，对您批准的术语一无所知，因此术语表是您手动带入的。如果一个由 6 人组成、使用 4 种语言的本地化团队都这样做，同一个列表每周会被粘贴几十次，而且版本可能略有不同。
术语表不是术语库，两者的区别决定了成败
术语表是批准的源术语与目标译文配对的扁平列表。而术语库是一个结构化数据库，为每个条目添加了元数据：词性、语法性别、使用上下文、监管状态和批准日期。这些元数据正是让术语可用的关键——译员正是通过它知道 Arbeitsbereich 是阳性名词，该术语是受监管的措辞而非个人偏好，并且该条目是在最近一次法务审查后批准的。
当您将术语表粘贴到对话中时，您充其量只是传输了扁平层。模型接收到两列内容并推断其余部分，这正是错误产生的原因。
术语的应用没有检查上下文是否合适
这是从业者最常报告的失败案例，而且它违反直觉：给模型一个术语表可能会让某些输出变得更糟。术语在上下文中并不总是正确的，尤其是当术语表包含相当通用的词汇时。一旦模型在术语表中看到了一个词，它就倾向于在出现该词的任何地方都使用该条目的翻译，而不考虑含义是否匹配。为 UI 标签批准的术语被用在了法律段落中，而它在法律段落中代表其他意思。
术语库的“使用上下文”字段正是为了防止这种情况而存在的。而粘贴的双列列表无法做到这一点。
审校人员的修改从未积累
您的语言审校人员每周都在修改同样的三样东西。在聊天工作流中，这些修改落入文档中并就此消失——产生错误的模型没有被纠正的记忆，因此它在下一个文件中会产生相同的错误。与此同时，术语表的质量也在向另一个方向衰退：一个没有人积极审查和维护的术语库，无论是否有 AI 参与，都会逐渐退化。
本地化团队尝试过的方法
在每个提示词中粘贴术语表。 这种方法很通用，并且在会话内有效。但它也会消耗每次请求的 token，一旦您的术语库达到数千个条目就会触及上限，并且随着人们继续使用某人在聊天群中分享的旧副本，它会悄然失效。
使用带有术语表作为知识文件的自定义 GPT。 这是一个真正的改进：术语无需重新粘贴即可存在。但它是一个静态快照，因此每次术语更改后都必须有人重新上传，而且它传输的仍然是扁平列表而非元数据。
自定义指令（Custom instructions）。 适用于少数关键术语和语气规则。但这不是存放术语库的地方。
带有术语库强制执行功能的 CAT 工具或 TMS。 这是专业的解决方案，应该明确指出：计算机辅助翻译工具存储批准的术语库并强制执行，通过 QA 检查标记偏差，这提供了与任何提示词完全不同级别的保证。现在的平台提供专门设计的术语表支持，旨在对 LLM 输出应用确定性的术语约束，而不是委婉地请求模型。如果您的业务量值得，请使用这种方法。
对术语数据库进行检索（Retrieval）。 覆盖范围比粘贴更好，且易于扩展。然而，检索返回的是与查询相似的条目——它不知道当前批准了哪个条目，或者为什么上一个条目被拒绝，这就是为什么仅靠检索不等于记忆的原因。
解决方案：为 ChatGPT 提供持久的术语记忆
对于在 TMS 之外发生的工作——起草源文本、改编营销文本、回答“这个怎么说”、向自由译员交代任务、在进入翻译流程之前编写 UI 字符串——切实可行的解决方法是停止手动携带术语，而是将其放入模型读取的层中。
MemoryLake 正是这样一种形式的记忆层：它存在于任何单一 AI 工具之外，可通过 MCP 或 API 访问，因此无论您的团队使用哪种助手，相同的术语记忆都能提供服务。
步骤 1：创建 API 密钥
生成密钥并在大约 30 秒内发出您的首次请求。
步骤 2：上传您的第一批记忆
加载实际规范您语言的术语资产：保留完整元数据的术语库导出文件、风格指南、无需翻译列表、品牌和产品命名规则、特定区域的惯例，以及记录候选术语为何被拒绝的审校决策日志。文档、图像和其他文件都存放在同一个地方，因此 PDF 格式的风格指南或经批准的 UI 字符串截图与电子表格一样好用。
步骤 3：连接您的 AI 和智能体
通过 MCP 授予 Claude、Codex、OpenClaw 和其他智能体访问权限。对于没有原生 MCP 客户端的消费级 ChatGPT，通过 API 检索相关术语并将其注入起草提示词中——或者让您的内容团队已经在使用的内部工具自动执行该检索，这样撰写人员就无需考虑这个问题。
值得保持的两个界限。 首先，记忆层使术语可用且一致；它并不强制执行。偏差检查、语言审校和签发仍然属于您的 QA 流程和 TMS，对于受监管的内容（医疗、法律、金融、安全），由审批工作流主导，而非模型。其次，将元数据与术语保留在一起。将扁平的双列列表导入记忆中会重现您试图解决的上下文问题；使用上下文和状态字段才是阻止术语被用在不当之处的关键部分。
这在实践中带来了什么改变
显而易见的节省是免去了粘贴。一个由 6 人组成、在 4 个地区起草和改编内容的团队，目前每天要在每个会话中花费几分钟重新确立术语，且使用的是他们手头恰好有的术语表副本。消除这一步骤既节省了时间，又避免了版本偏差。
更大的影响在于审校循环。当审校人员的决策存在于起草工具读取的同一记忆中时，一次修改就会开始塑造后续的输出，而不是被反复争议。这就是逐渐退化的术语表与不断积累的术语表之间的区别——这也是大多数关于 AI 辅助本地化质量投诉背后的机制。
还有一个时效性的论点。最具破坏性的术语错误不是不一致的同义词，而是使用了上个季度正确但此后因监管原因而被取代的术语。单一的术语记忆源在同一个地方更新，可以防止这种错误在任何人注意到之前传播到四种语言中。
AI 辅助术语的最佳实践
保持每个术语都附带使用上下文
如果一个条目只能以 源语 → 目标语 的形式传输，那么它很可能会被误用。请携带词性、使用上下文、状态和批准日期。元数据不是官僚主义，它是告诉模型何时不要使用该术语的指令。
记录拒绝，而不仅仅是批准
“我们不在此界面使用‘dashboard’，因为它意味着只读报告”可以避免争论和糟糕的翻译。批准的术语告诉模型该说什么；带有原因的被拒绝候选术语则告诉它要避免什么，而这正是几乎没有人存储的另一半内容。
让模型起草，让流程强制执行
最合理的划分是使用通用助手进行起草、改编和术语咨询，并将确定性的强制执行和 QA 留在它们该在的地方——您的 CAT 工具、您的 TMS 以及审校人员的手中。持久记忆改善了草稿，但它不能取代检查。同样的划分也适用于品牌指南和写作风格，在这些方面，一致性比流畅性更重要。
结论
ChatGPT 会遗忘您的术语表，是因为它从未真正拥有过它们：没有哪个会话能继承您的术语库，粘贴的列表只承载了术语实际内容的扁平层，然后术语就会被应用在单词出现的任何地方，而不是含义契合的地方。审校人员的修改消失在文档中，术语表在两个方向上都悄然退化。
自定义 GPT 和粘贴列表治标不治本，且付出了维护的代价。专业的强制执行属于 CAT 工具或 TMS，如果您的业务量值得，那就是正确的投资。对于流程之前和周围发生的一切，持久的解决方法是在对话之外为术语提供一个归宿——保留其元数据、拒绝记录和审校历史——这样本月的第 11 份草稿就能从批准的措辞开始，而不是从通用语言开始。如果您的团队每天也在重新上传相同的参考文件，这种习惯也有解决方法。